2篇ICLR 2020 推理主题论文解读
知识图谱作为人类知识的载体,蕴含着丰富的语义知识,因此支撑着许多上游的应用,例如问答,推荐等。基于知识图谱的推理作为知识图谱问答的基础,也是有着不同的解决框架,本文解读了两篇不同框架的论文:一篇是基于知识图谱的向量嵌入技术,完全基于向量操作进行推理演算;另一篇是基于Neural Logic Programming框架,并进一步解决了数值推理的问题。
1,Query2box: Reasoning over Knowledge Graphs in Vector Space Using Box Embeddings
(ICLR 2020, Poster)
Hongyu Ren, Weihua Hu, Jure Leskovec
随着知识图谱向量嵌入的技术发展,衍生出了另一种基于向量的知识图谱推理方法,与之前的Neural-LP(Neural Logic Programming)类似的推理框架不同,这一推理框架将问题和实体都表示成低维向量,随后通过向量计算实体与问题的相似度,从而选取相似度较高的实体作为问题的答案实体。然而&#